给定 1 到 100 之间的数字。

• 9 有 1 个数字 (1-9)
• 90 有 2 位数字 (10-99)
• 1 有 3 位数字 (100)

给定 1 到 1000 之间的数字。

• 9 有 1 个数字
• 90有2位数
• 900 有 3 个数字
• 1 有 4 位数字

等等。

因此，如果您随机选择一些，那么绝大多数选定的数字将具有相同的位数，因为绝大多数可能的值具有相同的位数。

您的结果实际上是预期的。如果随机数均匀分布在 1 到 10^n 的范围内，那么您会期望大约 9/10 的数字具有 n 位数字，另外 9/100 具有 n-1 位数字。

有不同类型的随机性。Math.random为您提供均匀分布的数字。

如果您想要不同的数量级，我建议使用指数函数来创建所谓的幂律分布：

function random_powerlaw(mini, maxi) {
    return Math.ceil(Math.exp(Math.random()*(Math.log(maxi)-Math.log(mini)))*mini)
}

此函数应为您提供与 2 位数字和 3 位数字大致相同的 1 位数字数量。

还有其他随机数分布，如正态分布（也称为高斯分布）。

对我来说看起来完全随机！（提示：这取决于浏览器。）

就我个人而言，我认为我的实现会更好，尽管我从XKCD那里偷走了它，应该永远承认：

function random() {
  return 4; // Chosen by a fair dice throw. Guaranteed to be random.
}

以下论文解释了主要 Web 浏览器中的 math.random() 如何是（不）安全的： Amid Klein (2008) 的“主要浏览器中的临时用户跟踪和跨域信息泄漏和攻击”。它并不比典型的 Java 或 Windows 内置 PRNG 函数强。

另一方面，实现 2^19937-1 周期的 SFMT 需要为每个 PRNG 序列维护 2496 字节的内部状态。有些人可能认为这是不可原谅的成本。